最近，象信AI创始人受邀担任 ICAIF 2026 论文审稿人，参与今年 ACM 国际人工智能金融大会的论文评审。
谈到这次评审，他最感慨的是人类的智慧：这个世界上，有优秀想法的人实在太多了。自己做项目的时候，容易把注意力都放在眼前的问题上，读到别人的研究，才发现同一个问题还可以从完全不同的角度入手。有些想法最让人佩服的地方，就在于作者找到了一个自己从未留意过的切口。
今年的大会将于 2026 年 11 月 14—17 日在意大利米兰举行，会场设在博科尼大学。这是第七届 ACM International Conference on AI in Finance，简称 ICAIF 2026。官网以“The Future of Artificial Intelligence in Global Finance”为题，把来自研究与实践两端的人聚在一起，讨论人工智能将怎样改变全球金融。大会官网：https://icaif2026.org/
ICAIF 关注的范围其实比“量化交易”更广。交易和资产管理之外，风险管理、金融决策、市场机制等问题，同样在它的讨论范围内。它对论文有一个明确要求：创新必须发生在 AI 与金融的交叉处，只涉及其中一个学科的论文不应被接收。大会公开征稿说明也强调，研究需要从方法或应用上把这两个领域连接起来。征稿说明：https://icaif2026.org/call-for-papers.html
这道要求很有意思。一个模型能够处理金融数据，离一项有价值的金融研究还有多少距离？把预测做得更准之后，决策是否也会变好？这些问题值得研究者认真回答，也让亲自做过交易系统的人有很多话想说。
有一个想法，就从交易者平时说的一句话出发：“我觉得 SPY 接下来会横盘，想卖波动率、赚权利金，同时限制最大亏损。”
懂期权的人听完，会想到铁鹰式组合（Iron Condor）这类策略。但要把这句话变成实际可用的交易方案，还需要确定每条腿买还是卖、选看涨还是看跌期权、行权价怎么排列，以及到期日和风险上限。自然语言里的一个想法，落到期权链上，是一组需要同时满足的条件。
作者为此设计了一种专门描述期权策略的语言 OQL。大模型先把人的表达翻译成策略类型和约束条件，再由确定性程序去真实期权链里寻找合约，检查组合结构，筛选并排列候选方案。
这个设计巧妙的地方，是在人说的话和机器执行的动作之间，放进了一层可以检查的表达。用户对风险的要求，不必停留在聊天记录里，而可以进入程序的筛选规则。对于希望用自然语言操作复杂金融工具的人来说，这样的研究让“听懂我的意思”有了更具体的落点。
另一个想法关注 AI 量化研究中的一个棘手问题：当生成策略变得越来越便宜，怎样判断一条漂亮的回测曲线究竟有多少说服力？
人一天能尝试的策略有限，AI 却可以不断修改参数、换资产、调整交易窗口。尝试次数足够多，总会出现一些看起来令人兴奋的结果。作者提出的规则叫“Pay Before You Peek”，可以理解为：看结果之前，先为这次检验付出代价。
这里付出的，是有限的统计检验预算。每个策略必须先固定规则，分配预算，再逐步积累证据；新看到的收益只能影响之后的决策。研究过程中持续查看结果，也被纳入统计方法的考虑之中。
很有意思的是，这套框架在论文的月末效应实验里，最终选择了不交易。即使部分 ETF 的历史平均收益为正，证据仍没有达到作者预先设定的门槛。这个结果让人看到一种值得重视的研究取向：系统需要有能力把一个颇有吸引力的想法留在观察名单里，继续等待证据。AI 帮人研究得越快，这种约束就越有价值。
还有一项研究，把注意力转向了人与 agent 之间的报酬安排。假如你委托一个 agent 做事，它对世界的理解与你不同，怎样设计奖金，才能让它更愿意作出对你有利的选择？
作者的思路，是从 agent 的行动中逐渐了解它相信什么，再据此调整合同。这里很值得琢磨的一点，是报酬的吸引力取决于接受报酬的人怎样理解世界。同样一笔奖金，在两个概率判断不同的 agent 看来，可能意味着完全不同的机会。
借用天气预测市场来理解：出资者与 agent 对某个天气事件的概率判断不同，按什么结果、以什么方式支付报酬，就可能影响 agent 的行动。这只是一个应用类比，论文实际使用的是小型模拟环境。它提出的问题却很有启发性：未来人们委托 AI 工作，需要理解的除了它的能力，还有它怎样看待任务与奖励。激励设计由此成为人与 AI 协作的一部分。
第四个想法，则让 AI 去复核量化研究。作者设计了一个由五个 agent 分工的研究团队，分别负责找论文、理解方法、编写代码、运行实验和核对结论。
读到一个好策略之后，能不能把它复现出来，是量化研究里很实在的一道坎。论文中的方法描述怎样变成代码，数据在交易发生时是否已经可用，实验有没有计入手续费，都会影响最终结论。这个研究尝试把这些工作接成一个可以自动推进的流程，让复核有机会成为日常研究的一部分。
这类助手如果逐步成熟，一个想法从“看起来值得试”走到“值得投入资金”，中间就能多一层具体检查。对于独立开发者和小团队，这尤其让人期待：他们也能有机会对自己感兴趣的研究做更细致的验证。
读到这些想法，会发现 AI 与金融的交叉比想象中丰富。有人研究怎样把一句话变成严谨的交易结构，有人追问研究证据应该怎样积累，还有人从合同和复核流程入手。每个问题都来自实际工作中的某处困难，也都需要对 AI 和金融同时有所理解。
象信AI创始人参与这样的大会评审，也与他创办的开源项目 OpenThomas 密切相关。
OpenThomas 把 AI 用在一个很具体的场景里：天气预测市场。一个气象站明天的最高温度会落在哪个区间，这件事既可以由模型给出概率，也可以在预测市场上形成价格。OpenThomas 要研究的，就是如何把天气预报转化成概率判断，再把这个判断变成有风险约束的交易决策。项目围绕 Polymarket、Kalshi 等平台的天气市场展开，代码以 MIT 协议开源。
开源项目代码：https://github.com/PredictionMarketTrader/openthomas
天气这个切口看着小，做进去却有很多值得琢磨的细节。城市里的不同气象站，观测结果可能不同；预报模型在某个站点上，也可能存在长期偏差。交易合约究竟按哪个站点结算，会直接影响一份预测有没有用。
OpenThomas 的做法，是先建立多模型气象预测的统计基线，再学习具体站点的历史偏差。大语言模型可以根据额外信息，在限定范围内调整判断；仓位和风险限制则由代码执行。一个看起来很聪明的分析，最终需要和市场价格放在一起，才知道它能支持怎样的行动。
这里面最值得欣赏的，是它把“预测”往前推进到了“如何使用预测”。我们平时看天气预报，知道明天大概有多热就够了。到了市场里，系统还要考虑自己有多大把握，以及当前价格是否已经充分反映了这份信息。这样的实践，很自然地落在了 AI 与金融的交叉处。
作为这个开源天气预测市场 AI 项目的创始人，象信AI创始人曾接受彭博社采访，相关探索也受到 Risk Market News 报道。参与 ICAIF 的论文评审，则让他有机会从研究者的视角，接触这个领域更广泛的问题。
OpenThomas 还有一句放在首页上的话：Build in public, trade in public。
公开开发，公开交易，意味着判断需要留下可供别人检查的记录。项目在结果揭晓之前公布预测，记录当时的市场价格，以及什么样的观测会证明自己判断错了。其 Hugging Face 页面已经发布交易日志数据集，让后续研究可以回到当时的信息条件，检查预测与结果之间的关系。
OpenThomas 开源模型与开源数据：https://huggingface.co/openthomas
目前，官网展示的是基于实时市场数据的模拟交易，成交按真实买卖报价进行模拟。读者可以由此理解项目的实验方式，也能区分公开展示的交易记录与实盘业绩。
OpenThomas 官网：https://openthomas.com/
选择这样做，需要接受一个事实：项目还在成长时，别人就会看见它不成熟的地方。对于一个愿意持续改进的开源项目，这也是很有价值的交流起点。其他人可以沿着记录提出问题，开发者也能更清楚地知道，下一步究竟该改什么。
做着这样的项目，再去读 AI 与金融领域的研究，对好想法的感受会更具体。一个看似不大的改动，可能回应了自己反复遇到的困难；一种陌生的方法，也可能让原本习以为常的问题变得值得重新研究。论文之外有代码，代码之外有市场，几种经验放在一起，常常会让人多想一层。
因此，这次受邀带来的感受里，除了高兴，也有一份很实在的谦逊。AI 发展得这么快，人依然在决定哪些问题值得提出，哪些现象值得追问，以及怎样设计一个实验，让别人也能相信自己的发现。
今年十一月，这些围绕 AI 与金融展开的探索将在米兰相遇。对象信AI而言，参与其中是一次交流的机会。OpenThomas 也会继续公开开发、记录判断，让关注这个项目的人看见它怎样一点点往前走。